Salaires de l'IA : la mise en production se paie plus cher

Dans l'intelligence artificielle, l'intitulé d'un poste renseigne peu sur le travail réellement attendu. Un data scientist, un machine learning engineer, un ingénieur MLOps et un ingénieur IA générative peuvent répondre à la même annonce, alors qu'ils ne font pas le même métier et ne coûtent pas le même prix. Pour une direction qui arrête un budget, la première difficulté est donc de savoir ce qu'elle achète.

Le baromètre des salaires de l'intelligence artificielle publié en septembre 2026 par le cabinet Entourage Recrutement, dans son édition dite 2027, documente ces quatre métiers sur seize échelons, en brut annuel. Il porte sur les petites et moyennes entreprises, les entreprises de taille intermédiaire et les jeunes entreprises en croissance, en France.

L'étendue de l'échelle

La rémunération d'entrée médiane du domaine est de 47 000 euros brut annuels, et le plafond médian de carrière de 153 000 euros. Le rapport entre le premier et le dernier échelon atteint 3,2.

Le baromètre qualifie le domaine de tendu. Il y relève surtout une séparation des rôles que les organigrammes ignorent souvent : l'expérimentation et la mise en production relèvent de personnes différentes.

Les grilles, métier par métier

Échelon	Data Scientist	Machine Learning Engineer	Ingénieur MLOps	Ingénieur IA générative
Junior (0 à 2 ans)	45 à 58 k€	48 à 62 k€	48 à 62 k€	45 à 58 k€
Confirmé (2 à 5 ans)	58 à 78 k€	62 à 85 k€	62 à 85 k€	58 à 80 k€
Senior	78 à 105 k€ (5 à 10 ans)	85 à 115 k€ (5 à 10 ans)	85 à 112 k€ (5 à 10 ans)	80 à 110 k€ (5 à 8 ans)
Dernier échelon	100 à 140 k€ et plus	110 à 160 k€ et plus	108 à 150 k€ et plus	110 à 155 k€ et plus

Le dernier échelon correspond à des intitulés différents selon le métier : lead ou principal pour le data scientist et l'ingénieur MLOps, staff ou lead pour le machine learning engineer, staff, principal ou Head of AI pour l'ingénieur IA générative. Le seuil d'ancienneté y est de dix ans, sauf pour l'IA générative, où il commence à huit ans.

Le baromètre apporte des précisions par métier. Le data scientist junior travaille encadré sur des problèmes bien posés ; le confirmé est autonome du cadrage à la présentation. Le machine learning engineer confirmé est autonome de l'entraînement à la production, le senior conçoit l'architecture et encadre. Le poste d'ingénieur MLOps junior est décrit comme rare, la fonction se pourvoyant surtout au niveau confirmé.

Premier facteur : la mise en production

Construire un modèle qui fonctionne dans un notebook est devenu accessible. Le faire tourner de façon fiable, surveillée et réentraînable reste difficile, note l'étude : ce sont les profils d'ingénierie de mise en production qui manquent, et l'écart avec l'expérimentation pure se creuse d'année en année.

Les grilles le traduisent dès le premier niveau. Un machine learning engineer ou un ingénieur MLOps junior démarre entre 48 000 et 62 000 euros, contre 45 000 à 58 000 euros pour un data scientist du même niveau. Au niveau senior, le haut de fourchette passe de 105 000 euros pour le data scientist à 115 000 euros pour le machine learning engineer.

L'ingénieur IA générative présente un profil particulier. Ses premiers échelons s'alignent sur ceux du data scientist, mais le niveau senior, celui du LLM engineer de cinq à huit ans d'expérience, est décrit comme le palier où la demande dépasse le plus nettement l'offre.

Deuxième facteur : l'état des données

Un candidat sérieux demande, avant le salaire, sur quelles données il travaillera et dans quel état elles se trouvent. Une entreprise dépourvue de socle exploitable recrute plus cher et garde moins longtemps, selon le baromètre, parce que le poste tenu diffère du poste vendu.

Le constat relie la politique salariale à l'état du socle de données. Le surcoût observé ne rémunère pas une compétence supplémentaire : il compense l'écart entre le poste décrit et le poste réellement tenu.

Troisième facteur : le sujet

L'IA est, d'après l'étude, l'un des rares domaines où un projet clairement énoncé, avec un impact mesurable, peut faire basculer une décision face à une offre financièrement supérieure. L'effet vaut pour un temps et à certains niveaux seulement. Il ouvre néanmoins une marge réelle aux entreprises capables de décrire précisément ce qu'elles construisent.

À l'inverse, une annonce vague sur le projet perd cet avantage et se retrouve comparée sur le seul critère du montant.

Quatrième facteur : une concurrence internationale

Sur les niveaux confirmés, une entreprise française se compare à des employeurs internationaux qui recrutent à distance et publient leurs grilles. L'alignement reste un choix. Le baromètre observe qu'une entreprise qui n'a pas établi ce sur quoi elle se différencie perd ses candidats les plus sollicités en fin de processus, avant même d'avoir pu en discuter.

Les écarts mentionnés au dernier échelon vont dans le même sens. Pour le data scientist, ils dépendent du secteur et de la maturité data ; pour le machine learning engineer, ils séparent nettement les grands groupes des entreprises technologiques.

Le titre et le contenu réel

L'édition 2027 insiste sur un décalage fréquent entre l'intitulé et le contenu du poste. Une part des postes ouverts sous un titre lié à l'intelligence artificielle relève en réalité de l'analyse de données, et les candidats s'en aperçoivent au premier entretien technique. L'effet sur la réputation de l'employeur est immédiat, dans un marché où les candidats échangent entre eux.

Pour une direction, la conséquence est double. Un poste mal nommé se paie au prix de l'IA pour un travail d'analyse, et il attire des candidats qui partiront dès qu'ils mesureront l'écart. Un poste correctement nommé, à l'inverse, se rattache à la grille du métier réellement exercé.

Ce que les fourchettes ne disent pas

Les montants sont bruts et annuels ; le variable et les primes n'y figurent que lorsque l'échelon le précise. La réalité dépend de la taille de l'entreprise, du secteur et du périmètre exact, rappelle l'étude, qui présente ses chiffres comme des indications de terrain.

Lues ensemble, les quatre grilles décrivent moins une hiérarchie de prestige qu'une hiérarchie de rareté. Ce qui se paie le plus cher n'est pas la sophistication du modèle, mais la capacité à le faire fonctionner durablement dans le système d'information de l'entreprise.